Nexgen N5-1500
Nexgen公司已经将7200转磁盘驱动器从其混合闪存/磁盘N5硬件设备当中剔除出去,取而代之的则是双端口SSD,这意味着由此诞生的是一款三层式全闪存阵列,且具备面向数据在各层间移动的服务质量保障。
其服务质量(QoS)机制于今年7月正式发布。这款双主动-主动控制器N5系统拥有三个存储分层,分别为DRAM、PCIe闪存卡以及磁盘驱动器。
而在全闪存版本,也就是Nexgen N5-i500阵列当中,三个存储分层则为DRAM、PCIe闪存以及商用SSD。
Nexgen公司的QoS采用三项优先级结构,具体按照关键性任务、关键性业务以及非关键性数据,而且数据会以动态方式在各层以及与之相对应的阵列介质类型之间往来迁移。该公司已经为其QoS技术在美国申请了技术专利。
其中DRAM为速度极快的读取缓存,而PCIe闪存卡负责以较低延迟实现读取与写入,接下来的SSD采用东芝960 GB每秒6 Gb SAS驱动器,虽然延迟稍高但却足以充当高性能大容量存储设备。
SanDisk Fusion-io 1.3 TB PCIe闪存卡则成为Nexgen的首选,不过目前其尚不支持NVMe机制。Nexgen公司可能会在未来需要时使用来自其它供应商的PCIe闪存卡产品。
Nexgen全闪存阵列外观图
作为该系列当中的首款或者说高端型号,N5-1500提供2.6 TB PCIe闪存卡容量以及15 TB SSD存储容量。客户还可以根据需求最多接入三块15 TB SSD高容量驱动器(扩展单元),这意味着其整体容量将由此达到60 TB。顺带一提,这里提到的数字全部为原始存储容量。
这款高端型号采用4块六核心至强E5645 2.4 GHz处理器与96 GB内存。其同时配备有风扇、热插拔电源、冗余网络连接(4个1/10 GbitE)、RAID 6以及热插拔SSD。另外,它还能够实现30万随机读取4K IOPS以及每秒3 GB传输能力(256K随机读取条件下)。
其配套功能集包括数据存储量削减(平均削减量为50%)、快照以及复制等。
Nexgen公司还推出了一款N5-300机型,其采用单SKU设计并配备一个主单元与一台扩展设备,系统整体存储容量为30 TB。
如果大家的活动数据总量低于10 TB,那么混合N5将是理想的选择;而如果活动数据总量高于10 TB,那么全闪存版本N5则更为合适。全闪存N5与混合N5版本相比较,其性能表现可提升2.5倍,而数据访问延迟则降低50%。
VMware公司的VVOL亦获得其支持。
N5-1500(N5-3000)属于其中的旗舰机型,也就是Nexgen各产品家族当中的顶配选项。而从起步开始,首先是入门级N5,接下来依次为N5-300、N5-500以及N5-1000。
Nexgen产品家族参数表格
Tegile公司也将于2016年推出一款多层全闪存阵列,即Intelliflash HD。其它单层全闪存阵列厂商亦需要对相关软件进行调整,从而将数据分层存储机制纳入其相关操作系统。
另一款提供QoS的全闪存阵列来自SolidFire公司,这套向外扩展型设计方案主要面向云服务供应商以及企业环境下的CSP用例;此外与X-IO配合的ISE-800亦有此能力。Nexgen方面表示,这是第一款配合QoS的多层全闪存阵列。
明年,Tegile公司可能也会加入到这一业务市场中来,而届时我们应该也会看到其它全闪存阵列厂商陆续参与多闪存层产品的研发当中--包括戴尔、EMC、HDS、惠普企业业务公司、IBM、Kaminario、Mangstor、NetApp、SolidFire、Tintri、Violin Memory以及X-IO。除此之外,Nimble Storage应该也会尽快推出其全闪存方案。
我们可以期待,Nexgen公司的下一款迭代硬件将在存储容量方面实现新的提升。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。